音频克隆：对话文本到口语对话生成MOSS-TTSD

之前介绍过几个音频克隆的可以项目：
CosyVoice：https://www.cnblogs.com/cj8988/p/18975495
IndexTTS：https://www.cnblogs.com/cj8988/p/18973016
GPT-SoVITS：https://www.cnblogs.com/cj8988/p/18962212

IndexTTs-多人：https://www.cnblogs.com/cj8988/p/18973609

本章在介绍一个多人对话的(两人对话)开源项目(8GPU可以跑)：MOSS-TTSD

亮点：

高度富有表现力的对话语音：MOSS-TTSD 基于统一的语义声学神经音频编解码器、预先训练的大型语言模型、数百万小时的 TTS 数据以及 40 万小时的合成和真实对话语音，可生成具有自然对话韵律的高度富有表现力、类似人类的对话语音。
双人语音克隆：MOSS-TTSD 支持零样本双人语音克隆，并可根据对话脚本生成具有准确说话人切换的对话语音。
中英双语支持：MOSS-TTSD 能够以中文和英文生成极具表现力的语音。
长篇语音生成：得益于低比特率编解码器和训练框架的优化，MOSS-TTSD 已经可以进行长篇语音生成的训练。
完全开源和商业就绪：MOSS-TTSD 及其未来更新将完全开源并支持免费商业使用。

下载安装：

开源地址：https://github.com/OpenMOSS/MOSS-TTSD

模型下载：https://huggingface.co/fnlp/XY_Tokenizer_TTSD_V0/tree/main
模型存放位置在现在的文件夹下:MOSS-TTSD\XY_Tokenizer\weights\

安装：
进入window的虚拟环境conda中：

创建环境：
conda create -n moss_ttsd python=3.10

激活环境：
conda activate moss_ttsd

安装：
pip install -r requirements.txt

加速：这个先使用下面的命名安装，如果成功那就皆大欢喜
#pip install flash-attn

如果flash-attn安装失败，就不用折腾了，我用了很多方法好像都没有成功，所以修改代码，不使用flash-attn。

修改generation_utils.py：找到load_model()函数
将参数默认值修改一下 attn_implementation="flash_attention_2"
修改为attn_implementation="sdpa"

运行：python gradio_demo.py

第一次运行时会下载模型：fnlp/MOSS-TTSD-v0.5，需要很长的时间。

下载完成后，浏览器访问：http://127.0.0.1:7860/

注意，我试过Single单音频支持不太好(我的音频只有一个人说话，估计两个人说话还是可以的)，所以这里直接使用两个音频进行实验。

结果：

音频1	音频2	合成音频
你的浏览器不支持 audio 标签。	你的浏览器不支持 audio 标签。	你的浏览器不支持 audio 标签。